高级/资深开发工程师（知识工程方向）

优缺点分析

角色解读

• 技术深度路线：持续深耕知识工程领域，成为该领域的架构师或技术专家，负责更核心的技术选型与方案设计
• 技术广度路线：从单点知识服务扩展到更全面的AI应用平台建设，或者向AI研发的其他方向（如NLP、推荐）拓展
• 技术管理路线：在展现出色的技术领导力和项目推动能力后，可以转向技术团队管理岗位
• 设计并实现企业级的知识服务系统，使其能被AI Agent等上层应用高效、准确地调用
• 构建和维护一套自动化的知识评测流程，持续量化评估知识库的质量指标，驱动知识迭代
• 将知识工程能力平台化，抽象出通用服务供不同业务线使用，平衡复用与灵活性
• 扎实的后端工程能力，能够使用Go或Python独立设计并交付高可用、高性能的服务化系统
• 具备知识图谱、RAG或检索系统的项目实战经验，深刻理解向量检索、混合检索等技术的原理与适用场景
• 熟悉至少一种知识存储技术栈（如向量数据库、图数据库、ES），并能在成本和性能间做出合理权衡
• 具备“平台化”思维和良好的沟通协作能力，能够清晰定义服务边界并推动跨团队落地

申请策略

• 研究滴滴出行的业务场景（如地图、出行、金融、自动驾驶），思考知识工程可能在哪些场景下发挥作用，面试时可以结合场景讨论
• 准备1-2个你过往项目中遇到的关于“知识质量”或“系统边界定义”的难题，以及你是如何分析和解决的
• 突出与知识图谱、RAG、向量检索、搜索引擎相关的任何项目经验，详细说明你在其中的角色和技术贡献
• 举例说明你设计并落地过的复杂后端服务或平台，强调系统设计、性能优化和稳定性保障的成果
• 如果有过建设评测体系、数据质量监控或类似经验，务必清晰描述，这是该岗位的亮点
• 强调你对不同技术选型（如不同数据库）的理解和权衡能力，体现你的“平台化”思维
• 深入研读主流的RAG框架（如LangChain、LlamaIndex）和知识图谱构建工具的原理与代码，能复盘其设计
• 系统学习信息检索、向量相似度计算、图数据库查询（如Cypher）等相关知识，补全理论短板

面试指南

• 采用STAR法则（情境、任务、行动、结果）来组织项目经验回答，突出你在其中的技术决策和量化成果
• 对于开放性设计问题（如评测体系），先阐述思考框架（目标-维度-方法-指标），再逐步细化，展示系统性思维
• 回答技术选型问题时，避免绝对的好坏，应结合具体业务场景（数据量、查询模式、一致性要求、成本）进行对比分析
• 请介绍一下你过往项目中是如何构建RAG系统或知识图谱的？遇到了哪些主要挑战？
• 如果让你为公司的业务知识库设计一个评测体系，你会从哪些维度考虑？如何落地？
• 在构建一个需要支持多业务线的知识服务平台时，你会如何设计服务边界，避免过度设计？
• 对于知识存储，向量数据库、图数据库和ES的优缺点分别是什么？在什么场景下你会推荐使用哪一种？
• 请描述一个你独立负责设计并成功上线的技术系统，重点说明你的架构决策和最终效果